Introduction to Causal Inference: Understanding Cause and Effect in Data (bằng tiếng Anh).

Hiểu được tại sao mọi thứ xảy ra là cốt lõi của việc ra quyết định hiệu quả, nhưng thống kê truyền thống chỉ tiết lộ tương quan, không phải nguyên nhân. Chương trình học dựa trên văn bản này hướng dẫn bạn qua các nguyên tắc cơ bản của suy luận nhân quả, giúp bạn vượt qua các liên kết đơn giản để khám phá mối quan hệ nguyên nhân và hậu quả thực sự.\n\nBạn sẽ chuyển từ phân tích dữ liệu thụ động sang thiết kế các khung dự đoán tác động của các can thiệp trong thế giới thực. Bằng cách nghiên cứu các giải thích bằng văn bản, nền tảng toán học và các ví dụ mã có cấu trúc, bạn sẽ có được sự tự tin để áp dụng suy luận nhân quả cho các câu hỏi kinh doanh, chính sách và khoa học.\n\nBạn sẽ học được gì:\n- Hiểu được thuật ngữ cốt lõi của suy diễn nhân quả, bao gồm kết quả tiềm năng, phản thực tế và đồ thị acyclic có hướng (DAGs).\n- Nhận dạng và kiểm soát các biến gây nhầm lẫn bằng cách sử dụng việc kết hợp, phân tầng và ước tính điểm khuynh hướng.\n- Ứng dụng các khái niệm học máy hiện đại, chẳng hạn như học máy kép và metalearners, sử dụng các khung dựa trên Python.\n biến dụng cụ.\n- Đánh giá tính hợp lệ của các tuyên bố nhân quả bằng cách kiểm tra giả thuyết và thực hiện phân tích nhạy cảm.\n\nChương trình bắt đầu với các định nghĩa thiết yếu và vấn đề cơ bản của suy luận nhân quả, dần dần xây dựng lên các thiết kế bán thí nghiệm và công cụ tính toán hiện đại. Bạn sẽ làm việc thông qua các bài tập viết chi tiết và khái niệm được thiết kế để củng cố kỹ năng phân tích của bạn.\n\nChương trình này được thiết lập cho các nhà phân tích dữ liệu, nhà nghiên cứu và nhà ra quyết định tham vọng muốn thiết lập một nền tảng vững chắc trong phân tích nhân quả. Không cần kinh nghiệm trước với suy luận nhân quả, mặc dù một hiểu biết cơ bản về thống kê giới thiệu là hữu ích.\n\nBắt đầu đọc hôm nay để mở khóa sức mạnh của suy nghĩ nhân quả và nâng cao phân tích dữ liệu của bạn.